本发明属于电力系统能量优化管理领域，尤其涉及一种非合作博弈视角的光伏充电站网络分布式能量管理方法。首先确定大用户直供电电价模型，建立光伏充电站网络的负荷模型，确定光伏充电站网络的综合效益模型；确定各电动汽车的充电可行域；以总充电量作为决策变量，以自身综合效益最大化为目标，进行非合作博弈，找到各充电站均可接受的纳什均衡解；根据此解和当前时段的光伏发电量购买或出售电能；根据电动汽车的分类和充电优先级对充电量进行分配；本发明将一系列光伏充电站个体整合为一个新的主体进行研究，有效提升单独充电站及充电站集群的经济和环境效益，并能避免基于传统分时电价独立优化导致的新用电高峰的出现。
1.一种非合作博弈视角的光伏充电站网络分布式能量管理方法，其特征在于，所述方法包括步骤1、根据传统化石燃料发电机组的发电成本特性，确定大用户直供电电价模型，并结合模型需求进行拟合；
步骤3、计及光伏充电站的经济效益、环境效益和风险情况，确定光伏充电站网络的综合效益模型；
步骤4、根据当前时段充电站内电动汽车的荷电情况，确定各充电站该时段的充电量可行域以及各电动汽车该时段的充电倍率可行域；
步骤5、各充电站个体将该时段的站内总充电量作为决策变量，以自身综合效益最大化为目标，进行非合作博弈，求得纳什均衡解；
步骤6、各个充电站根据求得的纳什均衡解和当前时段的光伏发电量购买或出售电能；
步骤7、各充电站依据当前时段站内电动汽车的充电需求优先级将决策的充电量分配给所有需要充电的电动汽车；
步骤8、更新时间到下一时段，重复步骤4至7，直到整个优化时间区间结束。
2.根据权利要求1所述非合作博弈视角的光伏充电站网络分布式能量管理方法，其特征在于所述步骤1中确定大用户直供电电价模型具体为将一系列光伏充电站个体整合为一个光伏充电站集群，总成本为：Cgene＝a·E2+b·E+c+ct&d·E式中E为发电的电量；a、b、c为发电成本多项式的参数；ct&d为输电单位成本；
当用户配置的光伏电源出力大于用户自身负荷需要时，用户向大电网反送电能，并获取这部分电能的收益，即负的成本，用户的总成本模型用分段函数表示为式中，γ为用户向电网反送电能时的单位收益，C0＝Cgene；
当E的取值在一定范围内时，将分段函数拟合为一个二次函数：Ctotal'＝a'·E2+b'·E
式中a'、b'为大用户直供电电价模型多项式的参数；
然后根据大用户直供电电价模型所需在设定范围内对电价曲线进行拟合。
3.根据权利要求1所述非合作博弈视角的光伏充电站网络分布式能量管理方法，其特征在于，所述步骤2中建立光伏充电站网络的负荷模型的具体过程为光伏充电站网络中的所有充电站个体均先考虑网络间的电能互用，再考虑作为整体向电厂购买电能，光伏充电站网络的负荷模型也将考虑各充电站个体通过网络进行电能传输时的功率损耗；
光伏充电站网络中每个充电站个体的净负荷为：NLk(T)＝CEk(T)-pvk(T)
式中CEk(T)为充电站k在T时段的充电量；pvk(T)为充电站k在T时段的光伏发电量；
式中S和B分别表示余电和缺电充电站的集合；δ为网络中能量传递的损耗率。
4.根据权利要求3所述非合作博弈视角的光伏充电站网络分布式能量管理方法，其特征在于，所述步骤3中确定光伏充电站网络的综合效益模型的具体过程为光伏充电站的综合效益包括经济效益与环境效益以及决策不当造成的风险；
式中Prsv是充电站每度电的充电服务费，包含电费；Spv是政府对光伏发电每度电的光伏补贴； 是T时段内充电站的购电单位成本， 式中a'、b'为大用户直供电电价模型多项式的参数；
式中 为自定义的电量需求参数，充电站控制系统从历史数据中选取与当前日天气状况最为接近的若干相似日，利用相似日的相关数据来计算电量需求参数；
式中Nsd为选取的“相似日”的天数； 为其中第q天电动汽车消耗的总功率； 为其中第q天光伏系统产生的总功率；
5.根据权利要求1所述非合作博弈视角的光伏充电站网络分布式能量管理方法，其特征在于，所述步骤4中当前时段充电站内电动汽车的荷电情况为在T时段开始时刻，判断站内所有电动汽车的电量需求程度，第i辆电动汽车的距离目标SOC的差值为式中 为第i辆电动汽车的目标SOC；SOCi(T-1)为T-1时段即上一时间段结束时第i辆电动汽车的SOC值；
则T时段第k个充电站的充电量可行域的上限为：式中D为该时段需要充电的电动汽车集合；Crmax为充电站每个充电桩的最大充电倍率；
第一类：第i辆电动汽车在T时段结束时已经离开，则T时段内必须为第i辆电动汽车充电，使其达到目标SOC；
第二类：第i辆电动汽车在T时段结束时不会离开，则T时段内根据充电站的整体负荷情况对该电动汽车的充电行为进行安排；
则T时段第k个充电站的充电量可行域的下限为：式中M为第一类电动汽车的集合；
对于第一类电动汽车，由于其T时段会离开充电站，要在其离开时将其充满，则该类电动汽车的充电倍率为：式中 为第i辆电动汽车的离开时间；
对于第二类电动汽车，由于其T时段不会离开充电站，因此该类电动汽车的充电倍率下限为0，其上限为：
6.根据权利要求1所述非合作博弈视角的光伏充电站网络分布式能量管理方法，其特征在于，所述步骤5的具体过程为将光伏充电站网络的购电决策过程转化为一个非合作博弈模型，决策变量为各充电站当前时段的充电量；利用微分进化算法和等效双层模型对非合作博弈模型的纳什均衡进行分布式求解。
7.根据权利要求5所述非合作博弈视角的光伏充电站网络分布式能量管理方法，其特征在于，所述步骤7的具体过程为第一类电动汽车的充电倍率均取为步骤4中所求的充电倍率；第二类电动汽车先取为下限，然后以设定步长逐渐提高，直至站内电动汽车的总充电功率与决策的充电站该时段的充电量相等。
非合作博弈视角的光伏充电站网络分布式能量管理方法
技术领域
[0001] 本发明属于电力系统能量优化管理领域，尤其涉及一种非合作博弈视角的光伏充电站网络分布式能量管理方法。
背景技术
[0002] 随着全球范围内化石能源紧缺及环境污染问题的不断升级，可再生能源得到了广泛关注，而发展电动汽车被世界各国普遍确立为发展低碳经济及保障能源安全的重要手段。另一方面，我国政府部门及电网公司都在积极为分布式电源项目接入电网提供便利条件，以促进可再生能源发电技术的发展和应用。近年来，随着可再生能源开发利用技术的发展，一类集成了分布式光伏发电系统的充电站也逐渐出现，并得到了广泛关注。分布式光伏与普通充电站在资源禀赋上具有先天的契合性，二者的集成有利于提升其整体的投资回，此外，电动汽车与分布式光伏已经被证实在运行特性上具有较好的协同增效性，不仅能提升电动汽车的清洁能源利用率，还能降低对电网的不良影响。由于存在上述优势，光伏充电站已得到了相关研究机构和企业的普遍关注，并建设、示范了多种形态的光伏充电站系统，且逐渐呈现服务网络化的发展趋势。由此可以预见，光伏充电站将成为未来商业化运营充电站的主要形态之一，是智能电网环境下需求侧资源的重要组成部分。
[0003] 随着光伏充电站的不断增多，充电站集群网络化的概念也随之出现。因此对于充电站网络，尤其是新型的光伏充电站网络的能量优化管理的相关研究是十分必要的。
发明内容
[0004] 为了解决上述问题，本发明提出一种非合作博弈视角的光伏充电站网络分布式能量管理方法，包括下列步骤：
[0005] 步骤1、根据传统化石燃料发电机组的发电成本特性，确定大用户直供电电价模型，并结合模型需求进行拟合；
[0006] 步骤2、建立光伏充电站网络的负荷模型；
[0007] 步骤3、计及光伏充电站的经济效益、环境效益和风险情况，确定光伏充电站网络的综合效益模型；
[0008] 步骤4、根据当前时段充电站内电动汽车的荷电情况，确定各充电站该时段的充电量可行域以及各电动汽车该时段的充电倍率可行域；
[0009] 步骤5、各充电站个体将该时段的站内总充电量作为决策变量，以自身综合效益最大化为目标，进行非合作博弈，求得纳什均衡解；
[0010] 步骤6、各个充电站根据求得的纳什均衡解和当前时段的光伏发电量购买或出售电能；
[0011] 步骤7、各充电站依据当前时段站内电动汽车的充电需求优先级将决策的充电量分配给所有需要充电的电动汽车；
[0012] 步骤8、更新时间到下一时段，重复步骤4至7，直到整个优化时间区间结束。
[0013] 所述步骤1中确定大用户直供电电价模型具体为
[0014] 将一系列光伏充电站个体整合为一个光伏充电站集群，总成本为：
[0015] Cgene＝a·E2+b·E+c+ct&d·E
[0016] 式中E为发电的电量；a、b、c为发电成本多项式的参数；ct&d为输电单位成本；
[0017] 当用户配置的光伏电源出力大于用户自身负荷需要时，用户向大电网反送电能，并获取这部分电能的收益，即负的成本，用户的总成本模型用分段函数表示为[0018]
[0019] 式中，γ为用户向电网反送电能时的单位收益；
[0020] 当E的取值在一定范围内时，将分段函数拟合为一个二次函数：
[0021] Ctotal'＝a'·E2+b'·E
[0022] 大用户直供电电价模型为：
[0023]
[0024] 然后根据模型所需在设定范围内对电价曲线进行拟合。
[0025] 所述步骤2中建立光伏充电站网络的负荷模型的具体过程为
[0026] 光伏充电站网络中的所有充电站个体均先考虑网络间的电能互用，再考虑作为整体向电厂购买电能，光伏充电站网络的负荷模型也将考虑各充电站个体通过网络进行电能传输时的功率损耗；
[0027] 光伏充电站网络中每个充电站个体的净负荷为：
[0028] NLk(T)＝CEk(T)-pvk(T)
[0029] 式中CEk(T)为充电站k在T时段的充电量；pvk(T)为充电站k在T时段的光伏发电量；
[0030] 光伏充电站网络的负荷模型为：
[0031]
[0032] 式中S和B分别表示余电和缺电充电站的集合；δ为网络中能量传递的损耗率。
[0033] 所述步骤3中确定光伏充电站网络的综合效益模型的具体过程为光伏充电站的综合效益包括经济效益与环境效益以及决策不当造成的风险；
[0034] 各充电站在T时段中的经济收益为
[0035]
[0036] 式中Prsv是充电站每度电的充电服务费，包含电费；Spv是政府对光伏发电每度电的光伏补贴； 是T时段内充电站的购电单位成本，
[0037] 光伏充电站的环境效益为
[0038]
[0039] 式中 为自定义的电量需求参数，充电站控制系统从历史数据中选取与当前日天气状况最为接近的若干相似日，利用相似日的相关数据来计算电量需求参数；
[0040]
[0041] 式中Nsd为选取的“相似日”的天数； 为其中第q天电动汽车消耗的总功率；为其中第q天光伏系统产生的总功率；
[0042] 光伏充电站总的综合效益为：
[0043]
[0044] 所述步骤4中当前时段充电站内电动汽车的荷电情况为
[0045] 在T时段开始时刻，判断站内所有电动汽车的电量需求程度，第i辆电动汽车的距离目标SOC的差值为
[0046]
[0047] 式中 为第i辆电动汽车的目标SOC；SOCi(T-1)为T-1时段即上一时间段结束时第i辆电动汽车的SOC值；
[0048] 则T时段第k个充电站的充电量可行域的上限为：
[0049]
[0050] 式中D为该时段需要充电的电动汽车集合；Crmax为充电站每个充电桩的最大充电倍率； 与Ui为第i辆电动汽车的额定容量与充电电压；
[0051] 将T时段需要充电的电动汽车分为两类：
[0052] 第一类：第i辆电动汽车在T时段结束时已经离开，则T时段内必须为第i辆电动汽车充电，使其达到目标SOC；
[0053] 第二类：第i辆电动汽车在T时段结束时不会离开，则T时段内根据充电站的整体负荷情况对该电动汽车的充电行为进行安排；
[0054] 则T时段第k个充电站的充电量可行域的下限为：
[0055]
[0056] 式中M为第一类电动汽车的集合；
[0057] 对于第一类电动汽车，由于其T时段会离开充电站，要在其离开时将其充满，则该类电动汽车的充电倍率为：
[0058]
[0059] 对于第二类电动汽车，由于其T时段不会离开充电站，因此该类电动汽车的充电倍率下限为0，其上限为：
[0060]
[0061] 所述步骤5的具体过程为将光伏充电站网络的购电决策过程转化为一个非合作博弈模型，决策变量为各充电站当前时段的充电量；利用微分进化算法和等效双层模型对博弈模型的纳什均衡进行分布式求解。
[0062] 所述步骤7中依据当前时段站内电动汽车的充电需求优先级将决策的充电量分配给所有需要充电的电动汽车具体为
[0063] 第一类电动汽车的充电倍率均取为步骤4中所求的充电倍率；第二类电动汽车先取为下限，然后以设定步长逐渐提高，直至站内电动汽车的总充电功率与决策的充电站该时段的充电量相等。
[0064] 有益效果
[0065] 本发明以光伏充电站网络为对象，结合我国现有的新能源及电力市场政策和发展趋势，提出了光伏充电站集群的大用户直供购电方案。并基于非合作博弈理论设计了光伏充电站网络的分布式能量管理方法，利用差分进化算法和等效双层模型对其进行求解，可以有效提升充电站个体及充电站集群的经济和环境效益。
附图说明
[0066] 图1是光伏充电站网络结构图；
[0067] 图2是本发明方法的步骤流程图；
[0068] 图3是博弈模型实现流程图；
[0069] 图4是求解算法迭代过程收敛图；
[0070] 图5是提出模型与分时电价模型所得的净负荷对比图；
[0071] 图6是提出模型与分时电价模型所得的电价对比图。
具体实施方式
[0072] 本发明提出一种非合作博弈视角的光伏充电站网络分布式能量管理方法，下面结合附图，对优选实施例作详细说明。
[0073] 图1是光伏充电站网络结构图，图中包括光伏发电单元、充电站、用户能量管理系统，以及电厂和大电网。控制中心的作用是将充电站和系统的衔接起来，负责传递系统的成本信息、给各个充电站发送指令。各充电站的用户能量管理系统负责采集负荷和光伏电源数据，并从控制中心接收指令或信息，可进行独立充电站成本的计算和本地优化控制等。
[0074] 图2为本发明的非合作博弈视角的光伏充电站网络分布式能量管理方法的步骤流程图，具体为：
[0075] 步骤1、将一系列光伏充电站个体整合为一个光伏充电站集群，从而拥有大用户直供资格，可直接向电厂购电。对于采用大用户直供方式从发电企业处直接购电的电价问题，一般根据发电成本来确定其购电的电价。而传统的化石燃料发电机组的发电成本很大程度上取决于发电设备的耗量特性，一般采用二次模型来表征电力系统的发电成本，同时考虑输配电成本，因此总成本为：
[0076] Cgene＝a·E2+b·E+c+ct&d·E
[0077] 式中E为发电的电量；a、b、c为发电成本多项式的参数；ct&d为输电单位成本。
[0078] 当用户配置的光伏电源出力大于用户自身负荷需要时，用户可向大电网反送电能，并获取这部分电能的收益，即负的成本。因此用户的总成本模型可用下式所示的分段函数表示：
[0079]
[0080] 式中，γ为用户向电网反送电能时的单位收益。
[0081] 当E的取值在一定范围内时，上面的分段函数可以拟合为一个二次函数：
[0082] Ctotal'＝a'·E2+b'·E
[0083] 因此用户购电的单位电价为：
[0084]
[0085] 步骤2、充电站网络中每个充电站个体的净负荷为：
[0086] NLk(T)＝CEk(T)-pvk(T)
[0087] 式中CEk(T)为充电站k在T时段的充电量；pvk(T)为充电站k在T时段的光伏发电量。
[0088] 因此充电站集群的净负荷为：
[0089]
[0090] 式中S和B分别表示余电和缺电充电站的集合；δ为网络中能量传递的损耗率。
[0091] 步骤3、各充电站在T时段中的经济收益如式(20)所示：
[0092]
[0093] 式中Prsv是充电站每度电的充电服务费(包含电费)；Spv是政府对光伏发电每度电的光伏补贴； 是T时段内充电站的购电单位成本，由步骤1可知其表达式为：
[0094]
[0095] 为避免因充电量决策不当出现的光伏利用率过低或光伏能量占比过低的情况，考虑光伏充电站的环境效益：
[0096]
[0097] 式中 为自定义的电量需求参数，充电站控制系统从历史数据中选取与当前日天气状况最为接近的若干“相似日”，利用相似日的相关数据来计算电量需求参数。
[0098]
[0099] 式中Nsd为选取的“相似日”的天数； 为其中第q天电动汽车消耗的总功率；为其中第q天光伏系统产生的总功率。
[0100] 此处环境效益的设置有两点考虑，一方面，无论CEk(T)远大于还是远小于都将导致该时段内充电站的净负荷绝对值很大，对充电站集群所在的网络冲击很大，有功率越限的危险，且容易形成净负荷的高峰或低谷，显著降低充电站网络的负荷率。另一方面，当CEk(T)远大于 时说明充电站需要从电厂获取较多的电量，即充电站对于传统化石能源的依赖程度依然很高；当CEk(T)远小于 时说明有大量的光伏电量无法就地消纳，两种情况均不合理。
[0101] 因此光伏充电站总的综合效益应表示为：
[0102]
[0103] 步骤4、在T时段开始时刻，判断站内所有电动汽车的电量需求程度，以第i辆电动汽车为例，其距离目标SOC的差值为：
[0104]
[0105] 式中 为第i辆电动汽车的目标SOC；SOCi(T-1)为T-1时段，即上一时间段结束时第i辆电动汽车的SOC值。
[0106] 则T时段第k个充电站的充电电量的上限为：
[0107]
[0108] 式中D为该时段需要充电的电动汽车集合；Crmax为充电站每个充电桩的最大充电i倍率； 与U为第i辆电动汽车的额定容量与充电电压。
[0109] 此处将T时段需要充电的电动汽车分为两类。
[0110] 第一类：第i辆电动汽车在T时段结束时已经离开，则T时段内必须为第i辆电动汽车充电，尽量使其达到目标SOC。
[0111] 第二类：第i辆电动汽车在T时段结束时不会离开，则T时段内可以根据充电站的整体负荷情况对该电动汽车的充电行为进行安排。
[0112] 则T时段第k个充电站的充电电量的下限为：
[0113]
[0114] 式中M为第一类电动汽车的集合。
[0115] 对于第一类电动汽车，由于其T时段会离开充电站，要在其离开时将其充满，则该类电动汽车的充电倍率应为：
[0116]
[0117] 对于第二类电动汽车，由于其T时段不会离开充电站，可对其充电倍率视情况进行决策，因此其充电倍率下限为0，上限为：
[0118]
[0119] 步骤5、光伏充电站的需求侧响应问题本质上就是各个充电站追求自身利益最大化的一个博弈问题。由于每个时刻各个充电站从电网购电的电价都是它们总购电量的函数，因此每个充电站在每个时段的收益都和该时段其他充电站的用电安排具有密切的联系。假设某时段内集群计划的购电量较小，购电电价较低，这将会导致各个充电站改变原定的充电安排，倾向于在该时段内加大充电电量，这将会导致集群的购电量增加，进而使购电电价上升，最终反而可能使得充电站的收益下降。因此每个充电站都需要在每个时段内充电电量的决策问题上进行博弈，从而找出对自身有利，且各个充电站都愿意接受的最优博弈结果。
[0120] 图3为博弈模型实现流程图，阐述如何利用双层等效模型和DE算法来对博弈问题进行求解。
[0121] 步骤6、各个充电站根据步骤5求得的纳什均衡解和当前时段的光伏发电量确定当前时段的净负荷，从而购买或出售相应的电能。
[0122] 步骤7、每个充电站确定当前时段的充电量后，需将决策的充电量分配到站内需要充电的电动汽车上，具体分配策略为：
[0123] 第一类电动汽车的充电倍率均取为步骤4中所求的充电倍率；第二类电动汽车先取为下限，然后以一个小步长逐渐提高，直至站内电动汽车的总充电功率与决策的充电站该时段的充电量相等。
[0124] 步骤8、更新时间到下一时刻，重复步骤4至7，进行每一个时段的决策过程，直到整个优化时间区间结束。
[0125] 图4为选取的几个时段内算法的迭代过程，可以看出所提出的算法初始阶段收敛速度很快，总体收敛性良好，一般能在几十代内完成迭代，收敛至目标值。
[0126] 图5为采用提出的优化模型与分时电价模型所得到的各时段的净负荷电量。可以看出提出的模型所得到的净负荷在数值上明显较小，整体负荷走势明显优于分时电价模型。
[0127] 图6为所提出的模型与分时电价模型在各时段内的购电电价，由图中对比可知，采用提出的模型基本可以使充电站集群在各个时段均以低于分时电价的价格进行购电。
